面向低碳转型的综合能源系统的人工智能驱动多目标优化与多准则决策:批判性综述与展望

《Renewable and Sustainable Energy Reviews》:AI-driven multi-objective optimization and multi-criteria decision-making for integrated energy systems for low-carbon transitions: A critical review and perspective

【字体: 大 中 小 】 时间:2026年09月26日 来源:Renewable and Sustainable Energy Reviews 18.0

编辑推荐:

   •综述人工智能驱动的MOO(多目标优化)和MCDM(多准则决策)在集成BES(建筑能源系统)中的应用。 •优化算法使CO2排放减少7.5%,电网成本降低8.5%。 •关注新兴范式:P2P(点对点)能源交易和电动汽车整合。 •为可持续建筑能源解决方案提供全面参考。 •提出未来方

  

•综述人工智能驱动的MOO(多目标优化)和MCDM(多准则决策)在集成BES(建筑能源系统)中的应用。
•优化算法使CO2排放减少7.5%,电网成本降低8.5%。
•关注新兴范式:P2P(点对点)能源交易和电动汽车整合。
•为可持续建筑能源解决方案提供全面参考。
•提出未来方向以增强BES的适应性并实现净零目标。

引言

建筑部门(BS)被广泛认为是应对全球气候危机和促进低碳未来的关键领域。根据国际能源署(IEA)的数据,建筑部门是全球温室气体(GHG)排放和能源消耗的主要贡献者。2022年,建筑领域约占全球CO2排放量的40%(包括新建建筑的隐含排放),并消耗了全球最终能源使用的近37%[1,2]。与此同时,全球向可再生能源的转型正在加速,2025年全球可再生能源装机容量达到5149 GW,新增创纪录的692 GW,年增长率为15.5%[3]。在COP28上,近200个国家承诺到2030年将全球可再生能源装机容量提高至目前的三倍。然而,现有政策预计到2030年全球可再生能源装机容量仅能增长到2022年的约2.6倍,表明仍存在实施差距[4]。中国已成为这一转型的主要贡献者,截至2025年,累计并网风电和光伏装机容量达18.4亿千瓦,占全国总装机容量的47.3%[5]。根据2035年国家自主贡献目标,中国力争将全经济净温室气体排放从峰值水平减少7–10%,将非化石能源占一次能源消费比重提高到30%以上,并将风电和太阳能装机容量扩大到2020年水平的六倍以上[6]。在此背景下,通过提高能效、可再生能源整合和灵活的运行方式来加速建筑能源系统的低碳转型,对于实现国家和全球气候目标越来越重要。

近期国际和区域政策进一步强化了向集成低碳建筑能源系统的转型。《巴黎协定》为国家温室气体减排和长期低碳发展提供了总体框架,强调了将建筑能源系统(BES)转变为更加可持续和集成的形式以满足国际气候承诺的重要性[7]。在区域层面,修订后的欧盟可再生能源指令(EU)2023/2413设定了2030年提高可再生能源在最终能源消费总额中比重的目标,并推广了可再生能源自消费、可再生能源社区、本地储能、智能双向充电和其他灵活性服务等举措[8]。与此同时,修订后的《建筑能效指令》(EU)2024/1275旨在通过提高能效和可再生能源整合到2050年实现零排放建筑存量[9]。这些政策发展进一步凸显了需要集成、灵活和智能的建筑能源系统来支持低碳转型。

传统BES通常依赖单一能源形式,如电力、天然气或石油,缺乏多样性和灵活性。这种传统能源结构不足以应对日益复杂的能源需求和环境要求。随着城市化进程加速,建筑数量和规模不断增加,建筑的能源使用量和碳排放量快速上升,给能源供应和环境保护带来巨大压力[[10], [11], [12]]。集成建筑能源系统(IBES)通过利用电力、热能、天然气和可再生能源(RE)等多种能源形式来实现高效能源利用和灵活调度[13]。然而,综合能源系统(IES)的设计和优化面临诸多挑战,包括系统复杂性增加、需要实时动态管理以及多目标优化(MOO)需求[[14], [15], [16]]。这些问题需要先进的优化和决策方法来解决,以确保系统的效率、经济性和可持续性。

IES对低碳转型尤为重要,因为孤立的能效或可再生能源技术无法完全应对建筑能源系统日益增加复杂性和变异性。通过协调统一的系统内的可再生能源发电、储能、多种能源载体、柔性负荷和其他分布式能源资源,能源系统可以提高可再生能源利用率,平衡能源供需,增强系统灵活性和可靠性,减少化石燃料依赖[17]。因此,系统级整合是将低碳技术转化为高效、韧性和净零建筑能源系统的重要途径。近期研究进一步表明,通过IES整合多个能源领域可以提高能源效率和经济性能,促进可再生能源整合,支持碳减排和可持续能源转型[18]。在建筑和社区规模上,近期一项多建筑研究表明,光伏、风能、电池储能和热能储能的优化整合可将峰值电网需求降低约30–35%,同时实现约11,533吨CO2当量的全生命周期排放减少[19]。

除了建筑本身,IBES的概念强调了多个能源相关领域之间的协同效应。例如,电动汽车(EVs)和新兴氢燃料电池汽车的普及为交通电气化与建筑能源策略的耦合提供了新途径。通过利用双向充电,电动汽车可作为移动电池支持峰值负荷管理、需求响应和能源套利[20,21]。同样,氢能技术可以促进长期储能和清洁燃料选项。此外,智能控制、数据分析和物联网(IoT)设备的进步使建筑能够实时优化能源使用,并参与社区内的点对点(P2P)能源交易网络[[22], [23], [24]]。这种范式转变不仅解决了能源性能指标问题,还促进了更广泛的社会经济效益。近期的一项综述进一步指出,建筑集成光伏(BIPV)-电池系统可以提高长期成本效益和能源公平性,尽管高昂的初始成本、不一致的监管框架和有限的公众认知仍是广泛推广的重要障碍[25]。

MOO在IBES的设计和运行中起着至关重要的作用。BES的优化通常涉及几个相互冲突的目标,如最大化能源效率、最小化运行成本、最小化碳排放,并确保系统可靠性和灵活性[26]。传统优化方法在处理单一目标或少数目标时有效,但在面对多个目标、约束和不确定性时,往往难以提供令人满意的解决方案。近年来,人工智能(AI)技术的发展为MOO提供了新机遇。基于进化算法和机器学习(ML)等AI技术的优化方法可以在高维复杂空间中高效搜索最优解,具有良好的适应性和鲁棒性[27]。这些方法不仅能处理复杂的非线性关系,还能适应动态系统需求,为IBES的最优设计和运营管理提供有力支持。

在MOO的基础上,多准则决策(MCDM)进一步提高了决策过程的科学性和合理性。MCDM方法通过综合考虑多个评估指标,帮助决策者(DMs)在众多备选方案中选择"最佳方案"[28]。这一过程不仅需要评估各方案在不同指标上的表现,还需要对各指标的重要性进行加权。常见的MCDM方法包括层次分析法(AHP)、线性规划多目标决策法(LINMAP)、逼近理想解排序法(TOPSIS)、可兼性优化与妥协解法(VIKOR)、熵权法(EWM)和模糊隶属度函数决策法[[28], [29], [30]]。这些方法各有特点,能够适应不同的决策环境和需求,为IBES的最优设计和运营管理提供有力支持。例如,AHP通过构建层次结构模型系统地分析决策指标之间的关系[31]。TOPSIS通过评估方案与正负理想解之间的距离进行排序和选择[32]。

人工智能驱动的MOO与MCDM方法的融合为集成建筑能源系统中的复杂优化和决策问题提供了新的解决途径。AI技术不仅能提高MOO算法的效率和效果,还能增强MCDM方法处理复杂决策问题的能力。具体来说,基于AI的优化算法如深度学习优化、强化学习优化等,能更好地处理高维复杂空间中的优化问题,增强搜索效率和调和过程的有效性[27,33,34]。同时,AI技术在大数据处理和模式识别方面的优势使其能够有效处理BES产生的大量实时数据,提取有价值信息,支持优化和决策过程[35]。此外,通过将AI技术整合到MCDM方法中,可以构建智能决策支持系统,自动评估并推荐最佳决策方案,提高决策的科学准确性[36]。AI技术还赋予优化和决策方法自适应和动态调整的能力,实时响应系统需求和环境变化,保持系统高效和灵活[37]。

尽管IBES作为低碳转型关键途径日益受到认可,但仍存在三大研究空白:

(1)现有研究分散在个别IBES技术领域,缺乏在统一低碳转型框架内对能效策略、可再生能源与储能、智能交通和P2P能源交易的系统性综合。

(2)AI驱动的MOO和MCDM在IBES的规划、设计和运行各阶段中的互补作用尚未充分整合,特别是在平衡技术、经济和环境冲突目标方面。

(3)当前优化和决策方法在不确定性和极端条件下的实际验证仍显不足,其与全生命周期和政策机制的整合仍然有限。

针对上述空白,本综述和观点文章综合了代表性进展,同时强调新兴趋势、未解决的挑战和前瞻性研究重点。其主要贡献总结如下:

(1)本综述建立了低碳转型中关键IBES组件的集成综合(详见图1),包括能效策略、可再生能源与储能系统、智能电动与氢能交通以及P2P能源交易。

(2)批判性地评估了AI驱动的MOO和MCDM在IBES规划、设计和运行各阶段中的互补作用、性能和权衡关系。

(3)识别了实际部署中的关键障碍,并提出了面向不确定性感知、自适应、全生命周期意识和政策响应型IBES的未来研究重点。

据此,本综述围绕三个相互关联的组成部分构建(见图1)。第一组成部分考察低碳IBES的主要技术路径,包括被动和主动能效策略、可再生能源与储能系统、智能电动与氢能交通整合以及社区点对点能源交易。第二组成部分聚焦于AI驱动的多目标优化在IBES规划、设计和运行各阶段中的应用,特别关注技术、经济、环境和运行目标。第三组成部分考察用于评估和选择多个备选方案中优选方案的多准则决策方法。三者共同构成了分析低碳IBES发展、性能权衡和实际实施的技术-优化-决策集成框架。

本综述特别契合三项联合国可持续发展目标(SDGs):SDG 7(经济适用的清洁能源)、SDG 11(可持续城市和社区)和SDG 13(气候行动)[38]。具体而言,AI驱动的MOO和MCDM可通过提高能效、可再生能源整合以及IBES中储能的协调使用来支持SDG 7。它们通过增强建筑和区域能源系统的灵活性、韧性和智能运行(包括P2P能源交易和电动汽车整合)来促进SDG 11。此外,能源消耗优化、可再生能源利用和碳相关目标的优化通过促进碳减排和向低碳净零能源系统转型直接支持SDG 13。

**方法**

为本综述和观点文章提供透明的证据基础,我们对IBES中AI驱动的MOO和MCDM方法进行了系统的文献检索和综合。该文献检索并非旨在穷尽所有相关研究,而是旨在识别具有代表性的研究,以反映主要的方法学进展、新兴应用和未来研究挑战。该过程包括四个主要步骤:(1)确定研究范围和检索……

**面向低碳转型的集成BES系统性文献综述**

全球变暖、环境变化和有限资源枯竭的挑战,使近几十年来人们重新关注能源消耗和效率问题。

商业建筑和住宅建筑都是能源的主要消费者,因此该领域的能效提升是关键研究区域。最近的一项研究表明,建筑约占温室气体排放量的40%[39]。此外,国际能源署(IEA)的一份报告指出,全球IES(建筑综合能源系统)规划、设计和运营方面取得了5.5%的进展。近年来,IBES的复杂性不断增加,且需要同时优化多个往往相互冲突的目标,这凸显了传统优化方法的局限性。在此背景下,人工智能算法已成为建筑综合能源系统规划、设计和运营中多目标优化的有用工具。通过利用演化算法、混合AI-MCDM方法及相关技术,它们增强了……

多标准决策方法方面,MCDM提出了一个关键的决策挑战,即在评估过程中通过评估多个标准来选择最佳方案[28]。MCDM的目标是在各标准之间逻辑性地确定权重。通过定义多个指标之间的关系,它基于决策者(DMs)的偏好对备选方案进行排序[189,190]。MCDM通过由决策者选择不同的解决方案方法来应对复杂问题。更具体地说,它……

展望与建议:尽管在利用MOO和决策技术应用于AI驱动的低碳转型背景下的IBES方面已取得了显著进展,但仍存在进一步发展和完善的空间。本文探讨了这些方法论在BIES的规划、设计和运营阶段中的应用,强调了它们在管理诸如能效、成本控制和环境影响等相互冲突的目标方面的重要性。展望未来……

结论:BES在全球能源转型和脱碳过程中发挥着至关重要的作用。随着城市化和人口增长持续推进,建筑能源消耗和碳排放不断上升,对能源供应和环境可持续性构成了巨大压力。通过整合多种能源、储能技术、智能控制和高级决策方法,IBES为提高能效、减少碳排放提供了一条重要途径……

CRediT作者贡献声明:董义通:方法学、调查研究、形式化分析、数据整理、概念构思、初稿撰写。孔佳殊:方法学、形式化分析、数据整理、概念构思、调查研究、初稿撰写。叶宝胜:审稿与编辑、初稿撰写、可视化、验证、监督、资源、方法学、调查研究、形式化分析、数据整理、概念构思。周跃宽:审稿与编辑、初稿撰写……

利益冲突声明:作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢:本研究得到了国家自然科学基金(NSFC)(52408137)以及广东省自然科学基金面上项目(2414050003253,2024A1515012166)的资助。

董义通 | 孔佳殊 | 叶宝胜 | 周跃宽
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号